基于citypersons数据集的行人检测优化实战：从数据清洗到模型调优

1次阅读

没有评论

共计 2677 个字符，预计需要花费 7 分钟才能阅读完成。

CityPersons 数据集作为城市街景行人检测的基准数据集，具有以下显著特点需要特别关注：

密集遮挡现象：约 35% 的行人实例存在中度到重度遮挡，其中 15% 为完全不可见部分身体部位
小目标占比高：高度小于 50 像素的小尺度行人占总样本的 28.6%
非均匀分布：行人出现频率在不同场景区域差异显著，十字路口的行人密度可达普通区域的 4 - 5 倍

通过统计分析发现，原始数据集中被遮挡行人的漏检率是正常样本的 3.2 倍，而小目标的误检率则高出 2.7 倍。这种数据分布特性直接影响了模型的泛化能力。

在 Faster R-CNN、RetinaNet 和 YOLOv5 三个主流框架上的对比实验显示：

Faster R-CNN：
优势：两阶段检测器在遮挡样本上表现最佳（mAP@0.5 达 68.2%）
劣势：推理速度仅 8.3FPS，难以满足实时需求
RetinaNet：
优势：焦点损失函数对小目标检测效果较好（小目标召回率 61.5%）
劣势：模型参数量大（104M），训练收敛慢
YOLOv5：
优势：平衡速度（48FPS）与精度（mAP@0.5 65.7%）
劣势：原始 Anchor 设置对密集目标适应性不足

综合考虑实际部署需求，我们选择 YOLOv5s 作为基础架构进行优化。

针对遮挡问题，采用组合增强方案：

Cutout 增强：随机擦除 20% 的图像区域，最大边长不超过图像尺寸的 30%
MixUp 混合 ：以 0.3 的概率混合两幅图像，λ 值取自 Beta(1.2,1.2) 分布
GridMask：在 50% 概率下应用网格状遮挡，网格大小随机在 [10,30] 像素间变化

使用 K -means++ 算法对原始 Anchor 重新聚类：

从训练集中提取所有 GT 框的宽高比
采用 IOU 作为距离度量进行聚类
最终得到的新 Anchor 尺寸为：(23,45), (36,72), (52,103), (68,135), (89,178)

相比原始 Anchor，新聚类结果对小目标的匹配度提升 19%。

在原有 CIoU 损失基础上增加两项改进：

尺度感知权重：对高度 <50 像素的目标给予 3 倍损失权重
可见部位惩罚项：对遮挡样本的可见部分预测误差施加额外惩罚

改进后的损失函数公式为：

def modified_loss(pred, target, mask):
    # scale-aware weight
    scale_weight = torch.where(target[...,3]<50, 3.0, 1.0)

    # original CIoU loss
    ciou = 1 - calculate_ciou(pred, target)

    # visible part penalty
    vis_penalty = F.mse_loss(pred*mask, target*mask)

    return (ciou * scale_weight).mean() + 0.2 * vis_penalty

以下是基于 PyTorch Lightning 的训练框架核心代码：

# 数据加载模块
class CityPersonsDataset(Dataset):
    def __init__(self, root, transforms=None):
        self.img_dir = Path(root)/"images"
        self.ann_dir = Path(root)/"annotations"
        self.transforms = transforms

    def __getitem__(self, idx):
        img = cv2.imread(str(self.img_dir/f"{idx:06d}.jpg"))
        with open(self.ann_dir/f"{idx:06d}.json") as f:
            anns = json.load(f)

        # 处理遮挡标注
        boxes = []
        vis_masks = []
        for obj in anns["objects"]:
            if obj["label"] == "person":
                boxes.append(obj["bbox"])
                vis_masks.append(obj["vis_mask"])

        # 应用增强
        if self.transforms:
            aug = self.transforms(image=img, bboxes=boxes)
            img, boxes = aug["image"], aug["bboxes"]

        return {"image": img, "boxes": boxes, "vis_masks": vis_masks}

# 模型定义
class EnhancedYOLO(pl.LightningModule):
    def __init__(self):
        super().__init__()
        self.model = torch.hub.load("ultralytics/yolov5", "yolov5s")

        # 替换 Anchor
        self.model.yaml["anchors"] = [[23,45], [36,72], [52,103], 
                                     [68,135], [89,178]]

    def training_step(self, batch, batch_idx):
        preds = self.model(batch["image"])
        loss = modified_loss(preds, batch["boxes"], batch["vis_masks"])
        self.log("train_loss", loss)
        return loss

在 CityPersons 验证集上的测试结果对比：